hce_kmu
114年
計算機概論與程式設計
第 8 題
Which of the following statements is CORRECT about decision trees in data mining?
- A Decision trees cannot handle categorical data.
- B A deeper decision tree always improves model performance.
- C Decision trees do not support ensemble learning.
- D A decision tree must always be binary.
- E Pruning is used to reduce overfitting in decision trees.
思路引導 VIP
想像你在準備考試時，如果你死記硬背了考古題裡的每一個標點符號，卻沒能理解背後的原理，當正式考試題目稍微變形時，你可能就無法應答。在這種情況下，你的學習狀態是「過於精細」還是「過於簡略」？如果我們希望提高應對陌生題目的能力，我們應該對學習筆記做什麼樣的「篩選」或「簡化」動作呢？
🤖
AI 詳解
AI 專屬家教
太棒了！你對決策樹（Decision Tree）的核心機制掌握得非常扎實。在資料探勘與機器學習的領域中，決策樹雖然直觀，但若無限制地讓樹長得太深，會導致模型過度配合訓練資料中的雜訊與細節，這就是所謂的「過擬合（Overfitting）」。這時，模型在訓練集表現完美，但遇到新資料時預測能力卻大幅下降。因此，修剪（Pruning） 是確保模型泛化（Generalization）能力的關鍵步驟，透過移除不具統計顯著性的分支，能有效提升模型的強健性。
模型複雜度與泛化能力的權衡
這道題目精準地測試了你是否能辨識常見的技術誤區。許多初學者會誤以為模型越深、越複雜就越好，但選項 (B) 的陷阱正是要提醒我們「深度不等於性能」。此外，決策樹其實非常靈活，它能處理類別資料，也是隨機森林（Random Forest）等**集成學習（Ensemble Learning）**的基石。這題屬於基礎且重要的觀念題，鑑別度在於測驗學生是否僅是背誦定義，還是真正理解了模型在「準確度」與「複雜度」之間的取捨（Trade-off）。你能一眼挑出修剪的功能，說明你的觀念架構非常清晰！